그래нули화된 볼을 활용한 시너지 효과를 통한 신뢰성 있는 그래프 설명 연구

Towards Faithful Graph Explanations with Synergistic Edge Effects via Granular Balls

인스턴스 수준의 설명은 특정 그래프에 대한 모델의 의사 결정 근거를 밝히는 것을 목표로 합니다. 기존 방법들은 그래프 신경망(GNN)을 설명하기 위해 중요한 에지를 선택하여 부분 그래프를 구성하며, 이때 에지의 중요도는 각 에지를 변경하고 모델 예측의 변화를 관찰하여 평가합니다. 그러나 이러한 방법들은 종종 에지 간의 시너지 효과를 고려하지 않는데, 이는 에지 중요도를 정확하게 파악하는 데 매우 중요합니다. 이러한 문제를 해결하기 위해, 우리는 GNN을 해석하는 매개변수 없는 설명 도구인 SeeExplainer를 제안합니다. 구체적으로, 우리는 먼저 그래프를 고정된 크기의 그래нули화된 볼로 분해하여 서로 다른 영역으로 나누고, 이를 노드로 사용하여 구조적 그래프를 구성하는 그래нули화된 볼 그래프 정제 메커니즘을 도입합니다. 이 과정은 에지 간의 시너지 효과를 더욱 잘 포착할 수 있습니다. 그런 다음, 우리는 구조적 그래프 내의 노드와 에지를 변경하여 각 요소가 기여하는 정도에 따라 설명적인 부분 그래프를 생성합니다. 다양한 네트워크의 여러 그래프 분류 데이터 세트에 대한 실험 결과, SeeExplainer는 최첨단 기준 모델보다 우수한 성능을 보이는 것으로 나타났습니다.

Instance-level explanations aim to reveal the rationale behind a model's decisions for a specific graph. Previous methods explain graph neural networks (GNNs) by selecting important edges to induce subgraphs, where edge importance is assessed by perturbing each edge and observing changes in the model predictions. However, they often neglect the synergistic effects among edges, which are crucial for accurately characterizing edge importance. To address this issue, we propose SeeExplainer, a parameter-free explainer to interpret GNNs. Specifically, we first introduce a granular-ball graph refinement mechanism that decomposes a graph into several disjoint granular-balls with no fixed size, and utilize them as nodes to construct a structural graph. This process can better capture the synergistic effects among edges. Then, we perturb nodes and edges in the structural graph to generate explanatory subgraphs based on their respective contributions. Experiments on several graph classification datasets of different networks show that SeeExplainer outperforms state-of-the-art baselines.